非线性耦合Schroedinger-Kdv方程组的周期波解

在新近提出的F-展开法的基础上，对F-展开法做了修改，导出了非线性耦舍Schroedinger-Kdv方程组的由Jacobi椭圆函数表示的周期波解；当模数m→1，0时，可得到双曲函数解（包括孤波解）．     

函数S-粗集与它生成的F-遗传规律

利用函数S-粗集,给出系统粗规律的F-生成, F-遗传概念,给出了系统粗规律的F-遗传特性;提出了系统粗规律的F-遗传特性定理,系统粗规律的F-遗传依赖于属性集α上的属性补充，并提出了系统粗规律的F-遗传的属性特征定理.利用这些讨论,给出了依赖于F-遗传的规律挖掘.     

矩阵方程的最小二乘解

给出了矩阵方程AXB=D的对称最小二乘解的表达式.     

带有多个延迟量的中立型微分方程的稳定性分析

讨论了带有多个延迟量的中立型微分方程x(t)=Lx(t)+m∑i=1Mi x(t-τi)+n∑j=1Njx'(t-τ'j)的稳定性.其中L,Mi,Nj∈Cd×d为常数复阵,τi＞0,τ'j＞0为常数延迟量,i=1,…,m,j=1,…,n.列举的相关数值例子表明得到的结果更具有一般性.     

基于F-范数的小波自适应量化的语音伪装

提出一种小波域自适应量化的语音伪装算法.首先对语音信号进行小波变换,由混沌序列控制嵌入位置,并采用固定阶距量化实现秘密信息的隐藏.在此基础上通过F-范数自适应控制量化阶距的变化,实现了基于F-范数的语音伪装算法.仿真实验表明算法安全性高、透明性好,在多种干扰情况下均能盲提取出秘密信息.     

线性流形上反对称次对称矩阵反问题的解

令S={A∈ASn｜AZ=Y,ZT1ZT+1YT2=YT2,Y1Z+2Z2=Y1,ZT1Y1=-YT2Z2,Y,Z∈Rn×m},这里(ZT1　ZT2)=ZTD,(YT1　YT2)=YTD.研究了如下问题:问题Ⅰ　已知X,B∈Rn×n,找A∈S使‖AX-B‖=min.问题Ⅱ　给定A ∈Rn×n,找^A∈SE使‖A -^A‖=min A∈SE‖A -A‖.这里SE是问题Ⅰ的解集合,给出问题Ⅰ的解集合表达式和问题Ⅱ的逼近解.     

Menger PN空间上的Hahn-Banach定理

提出了MengerPN空间上线性算子范数概念,并利用范数概念进一步研究了MengerPN空间上概率强有界算子范数性质,得到了一类MengerPN空间上的Hahn-Banach保范延拓定理.     

L1范数下有噪信号恢复的误差估计

在压缩感知有噪信号恢复的研究中,引入新范数,获得L1范数最小化恢复的误差估计.结论只依赖于噪声本身,改进了压缩感知中已有的误差估计.     

决策系统簇的平均代价敏感并行约简

大数据背景下，数据量呈指数级增长，三支决策在处理代价敏感问题时动态机制和稳定性不足.针对这个问题，结合F-粗糙集处理动态数据方面的优势，在代价敏感决策表簇中提出基于F-粗糙集和三支决策的平均代价敏感并行约简.首先，从平均决策代价和平均测试代价的角度，定义基于F-粗糙集和三支决策的并行约简；其次，设计基于F-粗糙集和三支决策的平均代价敏感并行约简算法.与基于分类的最小代价约简和基于类特定的最小代价约简比较，实验结果显示，基于F-粗糙集和三支决策的平均代价敏感并行约简可以更好地权衡误分类代价(决策代价)和测试代价，提高分类准确率.研究结果为研究动态决策和代价敏感提供一种新的研究方法和思路.     

八种最小二乘SVM型学习算法的优势比较

我们知道,支持向量机(Support Vector Machine,SVM)型学习算法的计算复杂性和稀疏性对分析和处理大数据来说是非常重要的两个因素,尤其是对高维数据.学者们针对这两个因素做了大量的研究,提出了许多改进的SVM型算法,常见的有基于最小二乘技术的SVM型算法和孪生SVM型算法.它们当中,有些算法的出发点基本相同,但是求解方法上略有不同;有些算法有明显不同的出发点,其所构建的最优化模型也不相同.选取八个较具代表性的最小二乘SVM型算法,分析和比较它们之间的优势和劣势,以期读者更加深入的理解这类算法,且在应用于实际问题中时更具有选择性.